CN115204531B - 基于傅里叶神经算子的油藏预测方法、设备及介质 - Google Patents
基于傅里叶神经算子的油藏预测方法、设备及介质 Download PDFInfo
- Publication number
- CN115204531B CN115204531B CN202211125463.1A CN202211125463A CN115204531B CN 115204531 B CN115204531 B CN 115204531B CN 202211125463 A CN202211125463 A CN 202211125463A CN 115204531 B CN115204531 B CN 115204531B
- Authority
- CN
- China
- Prior art keywords
- fourier
- oil
- distribution
- reservoir
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000001537 neural effect Effects 0.000 title claims description 17
- 238000009826 distribution Methods 0.000 claims abstract description 51
- 239000013598 vector Substances 0.000 claims abstract description 49
- 210000005036 nerve Anatomy 0.000 claims abstract description 14
- 239000003129 oil well Substances 0.000 claims abstract description 13
- 238000003860 storage Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 239000012530 fluid Substances 0.000 claims description 4
- 230000035699 permeability Effects 0.000 claims description 4
- 239000011148 porous material Substances 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000003993 interaction Effects 0.000 claims description 2
- 239000011435 rock Substances 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims 1
- 238000012549 training Methods 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/13—Differential equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
Abstract
本发明实施例公开了一种基于傅里叶神经算子的油藏预测方法、设备及介质。其中,方法包括:获取目标区域的当前油藏分布;通过训练好的编码器,提取所述油藏分布的第一特征向量;通过训练好的转换器,将所述目标区域内各油井的控制条件与所述第一特征向量融合,转换为第二特征向量;通过训练好的解码器,将所述第二特征向量恢复为所述目标区域的未来油藏分布。本实施例提高大规模油田的油藏预测精度。
Description
技术领域
本发明实施例涉及油藏模拟领域,尤其涉及一种基于傅里叶神经算子的油藏预测方法、设备及介质。
背景技术
油藏预测是指,根据当前的油藏数据预测未来的油藏变化趋势,为油田开发和油藏开采提供有效的指导。目前的油藏预测大都使用一些商业软件或基于深度学习的网络模型。
商业软件计算速度慢,且付费昂贵等问题。而目前的基于深度学习的油藏预测模型,主要针对小油藏效果较好,油藏规模和油井数量受限。
发明内容
本发明实施例提供一种基于傅里叶神经算子的油藏预测方法、设备及介质,提高大规模油田的油藏预测精度。
第一方面,本发明实施例提供了一种基于傅里叶神经算子的油藏预测方法,包括:
获取目标区域的当前油藏分布;
通过训练好的编码器,提取所述油藏分布的第一特征向量,其中,所述编码器包括顺序连接的多个卷积块、多个第一傅里叶神经算子、全局平均池化层和第一全连接层;
通过训练好的转换器,将所述目标区域内各油井的控制条件与所述第一特征向量融合,转换为第二特征向量,其中,所述控制条件为油井在单个时间步长内的生产控制条件,所述第二特征向量用于反映所述目标区域未来的油藏分布特征;
通过训练好的解码器,将所述第二特征向量恢复为所述目标区域的未来油藏分布,其中,所述解码器包括顺序连接的第二全连接层、跳跃连接层、多个第二傅里叶神经算子和多个反卷积模块,所述跳跃连接层用于将最后一个第一傅里叶神经算子的输出与所述第二全连接层的输出相加并融合。
第二方面,本发明实施例提供一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述的基于傅里叶神经算子的油藏预测方法。
第三方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的基于傅里叶神经算子的油藏预测方法。
本发明实施例以FNO+Conv+Deconv为基础构造深度学习模型,采用傅里叶神经算子在傅里叶空间内对大规模油田的压力场和饱和度场的变化进行模拟,一方面,FNO能够更好的模拟油藏分布的偏微分控制方程,提高模型的预测精度;另一方面,FNO使输入的油藏分布的尺寸可以任意选取,不受训练样本的限制,对大规模油田的预测提供了极大便利。特别的,为了提取深度特征,模型在编码器中去除了地理空间维度信息,而在解码器中又通过跳跃连接的方式,参照编码器中的地理空间维度对该信息语义恢复,从而提高了深度学习模型的解码精度和预测精度。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于傅里叶神经算子的油藏预测模型的示意图。
图2是本发明实施例提供的一种基于傅里叶神经算子的油藏预测方法的流程图。
图3是本发明实施例提供的一种实际算例的工况示意图。
图4是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行清楚、完整的描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例,都属于本发明所保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
本发明实施例提供的一种基于FNO(Fourier Neural Operator,傅里叶神经算子)的油藏预测方法。为了说明该方法,优先说明实现该方法的油藏预测模型。图1为本发明实施例提供的油藏预测模型的示意图,该模型用于模拟不同油井控制条件下的油藏分布变化。
如图1所示,该模型包括:编码器、转换器和解码器。将当前油藏分布输入模型后,经过编码器提取特征,然后经过转换器对时间进行演化,最后通过解码器重建未来的油藏分布。
具体的,所述编码器包括顺序连接的多个卷积块、多个第一傅里叶神经算子、GAP(Global Average Pooling,全局平均池化层)和第一FC(Fully Connected Layer,全连接层)。
所述转换器包括多个转换块、第三全连接层和第四全连接层,其中,每个转换块包括顺序连接的第五全连接层、BN(Batch Normalization Layer,批归一化)和Relu(Rectification linear function,整流线性激活函数)。
所述解码器包括顺序连接的第二全连接层、跳跃连接层、多个第二傅里叶神经算子和多个反卷积模块,所述跳跃连接层用于将最后一个第一傅里叶神经算子的输出与所述第二全连接层的输出相加并融合。
各模块的功能及设置将在后续实施例中详细介绍。
基于以上模型的示意,图2是本发明实施例提供的一种基于傅里叶神经算子的油藏预测方法的流程图,适用于在一定控制条件下对任意网格数量的油藏分布进行预测的情况。该方法由电子设备执行,如图2所示,具体包括如下步骤。
S110、获取目标区域的当前油藏分布。
目标区域指待研究的地理区域,如某一油田。油藏分布指目标区域内各位置处的油藏数据组成的分布。其中,各位置处的油藏数据包括以下至少一个通道:油相压力、油相饱和度、水相压力和水相饱和度。当前油藏分布指当前时间点的油藏分布组成的数据体。
更具体的,假设目标区域的二维地理网格数量为X×Y,X和Y分别表示平行于地面的两垂直方向上的网格数量,油藏数据的通道数量为M,X、Y和M均为自然数,那么当前油藏分布是大小为[X,Y,M]的三维数据体。当有N个算例同时进行预测时,当前油藏分布是大小为[N,X,Y,M]的四维数据体,N为自然数。特别的,X和Y为任意自然数,不受模型训练样本的维度限制。
S120、通过训练好的编码器,提取所述油藏分布的第一特征向量。
编码器的主要作用是降低输入数据的尺寸、维度并提取特征。首先,将所述油藏分布输入所述多个卷积块进行逐步下采样,得到初始特征。其中,油藏分布输入第一个卷积块,上一个卷积块的输出为下一个卷积块的输入,由最后一个卷积块输出初始特征。以图1为例,共有3个卷积块,每个卷积块的大小为3×3,每层的卷积核个数分别为16、32和64,卷积的步长为2,padding的方式是为“same”。
得到初始特征后,将所述初始特征输入所述多个第一傅里叶神经算子,逐步在傅里叶空间提取第一深度特征。同理,初始特征输入第一个第一FNO,上一个第一FNO的输出为下一个第一FNO的输入,由最后一个算子输出第一深度特征。以图1为例,采用3个FNO操作在傅里叶空间内对提取的特征进行更深一步的分析。
具体的,在每个FNO中,首先,采用傅里叶变换将输入特征变换到傅里叶空间,得到多种频率的数据。通常高频率的数据往往包含更多的信息,选取前14-16个高频分量用于下一步计算。然后,在傅里叶空间通过矩阵计算得到新的特征,再通过傅里叶逆变换将该特征变回到原来空间,得到输出特征,且输出特征与输入特征保持相同的尺寸,并未发生降维。最后,根据resenet的残差思想,将每个FNO的输出和输入相加,作为下一个FNO的输入。
值得一提的是,在傅里叶变换中,正弦基函数是微分运算的本征函数,使得线性微分方程的求解可以转化为常系数的代数方程求解。在线性时不变杂的卷积运算为简单的乘积运算,从而提供了计算卷积的一种简单手段,因此傅里叶变换尤其适用于求解偏微分方程。而本实施例中的油藏控制方程正是根据质量守恒、达西方程和NS方程结合而得到的一系列偏微分方程,例如:
其中,下标j表示流体的相,j=o表示油,j=a表示水;和k分别表示孔隙度和渗透
率;表示岩石与流体之间的相互作用,满足,其中,k rj 表示相j的相对渗透率,表示相j的粘性;S j 表示相j的饱和度,表示相j的密度,为井w的相j的源/汇项。
因此,本实施例采用FNO来模拟油藏变化的规律,相比于传统的特征提取方法,能够提取更准确地深度特征,使模型解析到的数据约束关系更符合真实物理规律,从而提高预测精度。
得到第一深度特征后,将所述第一深度特征输入所述全局平均池化层,去除所述第一深度特征的地理空间维度,得到低维特征。可选的,对任一通道下各地理位置处的特征值进行平均,由各通道的平均值构成低维特征。
最后,将所述低维特征输入第一全连接层,转换为第一特征向量。
S130、通过训练好的转换器,将所述目标区域内各油井的控制条件与所述第一特征向量融合,转换为第二特征向量,其中,所述控制条件为油井在单个时间步长内的生产控制条件,所述第二特征向量用于反映所述目标区域未来的油藏分布特征。
转换器的作用是根据各油井的控制条件,将编码器提取出来的当前时间点t对应
的第一特征向量Z t 转换为未来油藏分布对应的特征向量,即下一时间点(t+1)对应的第二
特征向量Z t+1。其中,当前时间点仅用于表示目前油藏分布已知的、下一时间点的前一时间
点,并非严格的当前时刻。首先,将所述第一特征向量和单个时间步长拼接为第一融合向
量。单个时间步长实质就是一个归一化的数值,例如1,可以表示1天、1月或半天等,控
制条件可以为每月生产x立方米油等,均可以根据实际需要具体设置。
然后,将所述第一融合向量输入所述多个转换块逐步提取特征,得到第二融合向量。具体的,第一融合向量输入第一个转换块,上一个转换块的输出为下一个转换块的输入,由最后一个转换块输出第二融合向量。进一步的,每个转换块的结构为第五FC + BN +Relu。BN主要将每次输入的数据分布变为标准正态分布,Relu是将小于0的数据变成0大于0的数据保留)。
得到第二融合向量后,将所述第二融合向量分别输入所述第三全连接层和所述第
四全连接层,分别得到第一矩阵和第二矩阵,其中第一矩阵的尺寸为,第二矩阵
的尺寸为,表示作数第一特征向量的尺寸,表示油井数量。如图1所示,
第三FC和第四FC相互独立,分别用于构建第一矩阵和第二矩阵。
接着,用所述第一矩阵与所述第一特征向量相乘,用所述第二矩阵与个油井
的控制条件相乘;再将两个乘积相加,得到第二特征向量。如图1所示,然后分别将A t 和Z t 相
乘,B t 和u t+1相乘,最后将各自相乘的结果加起来作为Z t+1,其中,u t+1表示个油井的控制
条件组成的维向量。Trans block的作用也是特征提取。
S140、通过训练好的解码器,将所述第二特征向量恢复为未来油藏分布。
解码器主要将转换器得到的下一时间点(t+1)对应的第二特征向量Z t+1进行上采样,得到最终的压力场和饱和度场的变化,从而进一步恢复下一时间点的油藏分布。可选的,首先,将所述第二特征向量输入所述第二全连接层,恢复所述第二特征向量的地理空间维度。通过第二FC对第二特征向量Z t+1进行扩充,恢复数据的地理空间维度。该步骤与编码器中通过全局平均池化层去除地理空间维度的操作对应,可以通过reshape的方式恢复数据维度。
然后,所述第二全连接层的输出和所述最后一个第一傅里叶神经算子的输出同时输入所述跳跃连接层相加并融合。如图1所示,将编码其中最后一个第一傅里叶神经算子产生的E t ,和第二全连接层的的结果进行融合,并输入到一个卷积Conv中进行特征的融合。
接着,将融合的结果输入所述多个第二傅里叶神经算子,逐步在傅里叶空间提取第二深度特征。为了便于区分和描述,将编码器中的傅里叶神经算子称为第一傅里叶神经算子,将解码器中的傅里叶神经算子称为第二傅里叶神经算子。如图1所示,使用了2个FNO在傅里叶空间内对特征进行更深层次的演化。
最后,将所述第二深度特征输入所述多个反卷积模块,逐步进行上采样,得到未来油藏分布。如图1所示,通过3个Deconv操作对结果数据的尺寸进行恢复,最后通过一个卷积Conv得出对应的预测值(即压力、饱和度等)。
值得一提的是,整个架构中的卷积块、转换块和反卷积块都设置了多个,分别实现了下采样、特征提取和上采样的逐步进行,避免信息丢失过多。
为了更清楚的说明整个模型的工作原理,下面以图1为例,详细介绍具体的油田数据在整个模型中的处理过程。假设目标区域为某一油田,其二维地理网格尺寸为[X,Y];该油田的油藏数据通道数为M,包括油相压力、油相饱和度、水相压力和水相饱和度,且一次性输入N个算例进行运算,则模型的输入数据就是[N,X,Y,M]的4维张量。该4维张量通过多个卷积核下的3个卷积块下采样后,变为[N,X/8,Y/8,M]大小的数据,其X、Y维度上的维度变为原来的1/8。经过FNO转换后得到的Et的尺寸也是[N,X/8,Y/8,M]。然后采用AVG操作对每个通道下X、Y维度上的值进行平均,用平均值代替X、Y维度上的数据分布,得到[N,M]大小的张量。接着通过转换器得到下一时间点的特征Z t+1,由于每一个算例都对应一个向量Z t+1,仍然不包含二维地理空间维度。为了恢复地理空间信息,在解码其中首先通过第二FC将其尺寸变为[N,(X/8) × (Y/8) ×M]大小,然后通过reshape变为[N,X/8,Y/8,M]。由于此时得到的地理空间特征是通过重排得到的,其地理空间维度上的误差较大。因此,将去掉地理空间维度信息之前的Et作为参照,对整体结果进行恢复。其参照方式是将两个张量相加。第二FNO的结构和编码器中的第一FNO相同,逆卷积块首先对输入数据进行上采样至原来的2倍,然后再通过步长为1的3×3的卷积,对上采样后的数据进行特征提取。经过3个逆卷积块后,特征尺寸变为和原来一样。最后再通过卷积对特征进行最后的提取。
本实施例以FNO+Conv+Deconv为基础构造深度学习模型,采用傅里叶神经算子在傅里叶空间内对大规模油田的压力场和饱和度场的变化进行模拟,一方面,FNO能够更好的模拟油藏分布的偏微分控制方程,提高模型的预测精度;另一方面,FNO使输入的油藏分布的尺寸可以任意选取,不受训练样本的限制,对大规模油田的预测提供了极大便利。特别的,为了提取深度特征,模型在编码器中去除了地理空间维度信息,而在解码器中又通过跳跃连接的方式,参照编码器中的地理空间维度对该信息语义恢复,从而提高了深度学习模型的解码精度和预测精度。
在上述实施例和下述实施例的基础上,本实施例对整个模型的训练过程进行细化。可选的,在通过训练好的编码器,提取所述油藏分布的第一特征向量之前,还包括:采用细网格(如500×211网格大小)的实际算例为基础,生成模型的训练样本。图3为500×211网格大小的实际算例的工况示意图。
首先随机生成多个不同控制条件下的算例,然后采用LandSim等模拟软件对算例进行模拟,并提取出压力分布、饱和度分布以及井的产油产水量。为了提高训练的速度,将500×211大小的原始数据按照等距离挑选的方式,取出粗网格(例如200×100大小)的数据作为最终的算例;采用LandSim等模拟软件对算例进行模拟;将模拟得到的数据进行归一化处理,并划分训练集和测试集(例如按照8:2的比例划分)。
同时,构造损失函数。为了更好的调节每部分输出的重要性。我们将总的损失函数分为压力损失和饱和度损失两部分,其计算方式如下:
其中,表示时间点t+1下的饱和度损失,Nt表示时间点t的样本数量,nb表示每个样本中的网格数量,表示时间点t+1下第j个网格的真实饱和度,表示预测得到的时间点t+1下第j个网格的饱和度;表示时间点t+1下的压力损失,表示时间点t+1下第j个网格的真实压力,表示预测得到的时间点t+1下第j个网格的的压力。表示总体损失,其中α和β表示权重,例如分别取2和5。
样本数据和损失函数准备完毕后,采用二者对图1所示的模型进行训练。具体的,采用ADAM优化器,初始学习率是0.0001,epoch的个数是100,每10个epoch学习率衰减为原来的0.8倍。然后对模型进行训练并保存。将模型训练得到的参数保存为模型文件,在使用过程中首先对模型文件进行加载,然后将当前时间点的油藏分布、各油井的控制条件作为输入,通过模型计算得出下一时间点的油藏分布,进而计算出井的相关信息。
本实施例采用大规模实际油田数据为样本,对以FNO+Conv+Deconv为基础构造的深度学习模型进行训练,提高了模型精度。现有技术中的网络模型在训练和预测时,要求输入数据的网格数量(即尺寸)必须一致,当问题处理到千万级网格时,这些模型需要的计算资源非常庞大。而本申请由于输入数据尺寸不受限制,能够以粗网格数据(200×100)作为训练基础,扩展到精网格(任意尺寸的精细网格)中,提高了大型油田尤其是千万级油田的训练速度。
与其他技术方案相比,该方法可以达到更好的精度以及更快的速度。以全物理模型模拟结果为基础,本申请提出的模型在压力和饱和度方面的平均相对误差为6.1%和3.1%,且完成一次预测仅需要0.1s,在预测精度和预测时间上均有较大优势。由于可以采用粗网格样本(例如采用了200×100大小的样本)进行训练,训练速度更是得到了极大提高。
图4为本发明实施例提供的一种电子设备的结构示意图,如图4所示,该设备包括处理器50、存储器51、输入装置52和输出装置53;设备中处理器50的数量可以是一个或多个,图4中以一个处理器50为例;设备中的处理器50、存储器51、输入装置52和输出装置53可以通过总线或其他方式连接,图4中以通过总线连接为例。
存储器51作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的基于傅里叶神经算子的油藏预测方法对应的程序指令/模块。处理器50通过运行存储在存储器51中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的基于傅里叶神经算子的油藏预测方法。
存储器51可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器51可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器51可进一步包括相对于处理器50远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置52可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置53可包括显示屏等显示设备。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现任一实施例的基于傅里叶神经算子的油藏预测方法。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案。
Claims (7)
1.一种基于傅里叶神经算子的油藏预测方法,其特征在于,包括:
获取目标区域的当前油藏分布;
通过训练好的编码器,提取所述油藏分布的第一特征向量,其中,所述编码器包括顺序连接的多个卷积块、多个第一傅里叶神经算子、全局平均池化层和第一全连接层;具体的,将所述油藏分布输入所述多个卷积块进行逐步下采样,得到初始特征;将所述初始特征输入所述多个第一傅里叶神经算子,逐步在傅里叶空间提取第一深度特征,具体的,采用傅里叶神经算子在傅里叶空间内对大规模油田的压力场和饱和度场的变化进行模拟;将所述第一深度特征输入所述全局平均池化层,去除所述第一深度特征的地理空间维度,得到低维特征;将所述低维特征输入第一全连接层,转换为第一特征向量;其中,油藏控制方程如下:
其中,下标j表示流体的相,j=o表示油,j=a表示水;和k分别表示孔隙度和渗透率;
表示岩石与流体之间的相互作用,满足,其中,k rj 表示相j的相对渗透率,表
示相j的粘性;S j 表示相j的饱和度,表示相j的密度,为井w的相j的源/汇项;
通过训练好的转换器,将所述目标区域内各油井的控制条件与所述第一特征向量融合,转换为第二特征向量,其中,所述控制条件为油井在单个时间步长内的生产控制条件,所述第二特征向量用于反映所述目标区域未来的油藏分布特征;所述转换器包括多个转换块、第三全连接层和第四全连接层,每个转换块包括顺序连接的第五全连接层、批量归一化层和整流线性激活函数;具体的,将所述第一特征向量和单个时间步长拼接为第一融合向量;将所述第一融合向量输入所述多个转换块逐步提取特征,得到第二融合向量;将所述第二融合向量分别输入所述第三全连接层和所述第四全连接层,分别得到第一矩阵和第二矩阵,其中第一矩阵的尺寸为l z ×l z ,第二矩阵的尺寸为l z ×n w ,l z 表示作数第一特征向量的尺寸,n w 表示油井数量;用所述第一矩阵与所述第一特征向量相乘,用所述第二矩阵与n w 个油井的控制条件相乘;将两个乘积相加,得到第二特征向量;
通过训练好的解码器,将所述第二特征向量恢复为所述目标区域的未来油藏分布,其中,所述解码器包括顺序连接的第二全连接层、跳跃连接层、多个第二傅里叶神经算子和多个反卷积模块,所述跳跃连接层用于将最后一个第一傅里叶神经算子的输出与所述第二全连接层的输出相加并融合,具体的,将所述第二特征向量输入所述第二全连接层,恢复所述第二特征向量的地理空间维度;所述第二全连接层的输出和所述最后一个第一傅里叶神经算子的输出同时输入所述跳跃连接层相加并融合;将融合的结果输入所述多个第二傅里叶神经算子,逐步在傅里叶空间提取第二深度特征;将所述第二深度特征输入所述多个反卷积模块,逐步进行上采样,得到所述目标区域的未来油藏分布。
2.根据权利要求1所述的方法,其特征在于,所述油藏分布包括以下至少一个通道:油相压力分布、油相饱和度分布、水相压力分布、水相饱和度分布。
3.根据权利要求1所述的方法,其特征在于,所述油藏分布指油藏的二维地理分布,其中,二维地理网格数量为任意数量。
4.根据权利要求1所述的方法,其特征在于,所述油藏分布包括至少一个通道;
所述将所述第一深度特征输入所述全局平均池化层,去除所述第一深度特征的地理空间维度,得到低维特征,包括:
所述将所述第一深度特征输入所述全局平均池化层,对任一通道下各地理位置处的特征值进行平均;
由各通道的平均值构成低维特征。
5.根据权利要求1所述的方法,其特征在于,各傅里叶神经算子的输入尺寸与输出尺寸相同。
6.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的基于傅里叶神经算子的油藏预测方法。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5中任一所述的基于傅里叶神经算子的油藏预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211125463.1A CN115204531B (zh) | 2022-09-16 | 2022-09-16 | 基于傅里叶神经算子的油藏预测方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211125463.1A CN115204531B (zh) | 2022-09-16 | 2022-09-16 | 基于傅里叶神经算子的油藏预测方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115204531A CN115204531A (zh) | 2022-10-18 |
CN115204531B true CN115204531B (zh) | 2022-12-27 |
Family
ID=83571955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211125463.1A Active CN115204531B (zh) | 2022-09-16 | 2022-09-16 | 基于傅里叶神经算子的油藏预测方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115204531B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717270A (zh) * | 2019-10-10 | 2020-01-21 | 南京特雷西能源科技有限公司 | 一种基于数据的油气藏仿真模拟方法 |
CN111523713A (zh) * | 2020-04-14 | 2020-08-11 | 中国地质大学(北京) | 一种预测油田中剩余油饱和度分布的方法和装置 |
CN112541572A (zh) * | 2020-11-25 | 2021-03-23 | 中国石油大学(华东) | 基于卷积编码器-解码器网络的剩余油分布预测方法 |
CN114462262A (zh) * | 2021-12-07 | 2022-05-10 | 中国海洋石油集团有限公司 | 一种基于时间和空间双重维度的历史拟合预测方法 |
CN114492213A (zh) * | 2022-04-18 | 2022-05-13 | 中国石油大学(华东) | 基于小波神经算子网络模型剩余油饱和度和压力预测方法 |
CN114693005A (zh) * | 2022-05-31 | 2022-07-01 | 中国石油大学(华东) | 基于卷积傅里叶神经网络的三维地下油藏动态预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015159149A2 (en) * | 2014-04-14 | 2015-10-22 | Cgg Services Sa | Method and apparatus for modeling and separation of primaries and multiples using multi-order green's function |
CN113052371B (zh) * | 2021-03-16 | 2022-05-31 | 中国石油大学(华东) | 基于深度卷积神经网络的剩余油分布预测方法及装置 |
-
2022
- 2022-09-16 CN CN202211125463.1A patent/CN115204531B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717270A (zh) * | 2019-10-10 | 2020-01-21 | 南京特雷西能源科技有限公司 | 一种基于数据的油气藏仿真模拟方法 |
CN111523713A (zh) * | 2020-04-14 | 2020-08-11 | 中国地质大学(北京) | 一种预测油田中剩余油饱和度分布的方法和装置 |
CN112541572A (zh) * | 2020-11-25 | 2021-03-23 | 中国石油大学(华东) | 基于卷积编码器-解码器网络的剩余油分布预测方法 |
CN114462262A (zh) * | 2021-12-07 | 2022-05-10 | 中国海洋石油集团有限公司 | 一种基于时间和空间双重维度的历史拟合预测方法 |
CN114492213A (zh) * | 2022-04-18 | 2022-05-13 | 中国石油大学(华东) | 基于小波神经算子网络模型剩余油饱和度和压力预测方法 |
CN114693005A (zh) * | 2022-05-31 | 2022-07-01 | 中国石油大学(华东) | 基于卷积傅里叶神经网络的三维地下油藏动态预测方法 |
Non-Patent Citations (3)
Title |
---|
一种确定水驱气藏动态储量及水体能量的新方法;薛婷 等;《大庆石油地质与开发》;20220228;第41卷(第1期);第63-68页 * |
地质文本中油气藏特征提取及成藏知识图谱构建研究;朱小龙;《中国博士学位论文全文数据库 基础科学辑(月刊)》;20220215(第2期);正文第1-115页 * |
庆城油田成藏条件及勘探开发关键技术;付锁堂 等;《石油学报》;20200731;第41卷(第7期);第777-795页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115204531A (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180247156A1 (en) | Machine learning systems and methods for document matching | |
Ver Hoef et al. | SSN: An R package for spatial statistical modeling on stream networks | |
Al-Gosayir et al. | Design of solvent-assisted SAGD processes in heterogeneous reservoirs using hybrid optimization techniques | |
Monthus | Large deviations for dynamical fluctuations of open Markov processes, with application to random cascades on trees | |
Passarella et al. | Reconstructing high resolution ESM data through a novel fast super resolution convolutional neural network (FSRCNN) | |
Xiao et al. | Deep‐learning‐based adjoint state method: Methodology and preliminary application to inverse modeling | |
Melnikov et al. | Quantum state preparation using tensor networks | |
Pérez-Vieites et al. | Probabilistic scheme for joint parameter estimation and state prediction in complex dynamical systems | |
Li et al. | Dept: depth estimation by parameter transfer for single still images | |
Christou et al. | Effective sampling of spatially correlated intensity maps using hazard quantization: Application to seismic events | |
Simonov et al. | Application of machine learning technologies for rapid 3d modelling of inflow to the well in the development system | |
CN115204531B (zh) | 基于傅里叶神经算子的油藏预测方法、设备及介质 | |
Misra et al. | Massive Geomodel Compression and Rapid Geomodel Generation Using Advanced Autoencoders and Autoregressive Neural Networks | |
Belyaev et al. | A data assimilation method used with an ocean circulation model and its application to the tropical Atlantic | |
Aulia et al. | A new history matching sensitivity analysis framework with random forests and Plackett-Burman design | |
Melland et al. | Differentiable programming for online training of a neural artificial viscosity function within a staggered grid Lagrangian hydrodynamics scheme | |
CN110460463A (zh) | 基于深度神经网络的服务质量预测方法及其系统 | |
US20220284277A1 (en) | Network of tensor time series | |
CN115204530B (zh) | 基于傅里叶神经算子和循环神经网络的油藏预测方法 | |
Illarionov et al. | 3D reservoir model history matching based on machine learning technology | |
Claessens | Spherical harmonic analysis of a harmonic function given on a spheroid | |
CN113628338A (zh) | 一种采样重建方法、装置、计算机设备及存储介质 | |
Maschio et al. | A method for reduction of uncertainties in reservoir model using observed data: application to a complex case | |
Chaki et al. | A Proxy Flow Modelling Workflow to Estimate Gridded Dynamic Properties and Well Production Rates by Deep Learning Algorithms | |
CN115169761B (zh) | 基于gnn和lstm的复杂井网油田产量预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |